caor@mines-paristech.fr

Actualités

15
Sep

Soutenance de thèse — Martin Brossard

Martin Brossard a le plaisir de vous inviter à sa soutenance de thèse le mardi 22 Septembre 2020, à 13h. La soutenance aura lieu en salle V107, à l’école des Mines ParisTech, 60 bd Saint Michel, 75006, Paris.

La soutenance pourra aussi être suivie par visioconférence à l’adresse suivante :  https://mines-paristech.zoom.us/j/92529558932?pwd=cktuTk9OU1ZHVVp0NkZUS1U3QThuZz09

Cette thèse a été réalisée au Centre de Robotique de l’école des Mines sous la direction de Silvère Bonnabel et l’encadrement d’Axel Barrau. Intitulée « Techniques de prototypage modernes pour la navigation multi-capteurs« , elle sera défendue en anglais, sous le titre « Some modern prototyping techniques for navigation based on multi-sensor fusion« .
Le jury sera composé de :

  • – Mme Dana Kulic – Monash University (rapporteur)
  • – M. Tim Barfoot – University of Toronto (rapporteur)
  • – M. David Filliat – ENSTA (examinateur)
  • – M. Yacine Chitour – CentraleSupélec (examinateur)
  • – M. Silvère Bonnabel – Mines ParisTech/Université de Nouvelle-Calédonie (examinateur)
  • – M. Axel Barrau – Safran/Mines ParisTech (examinateur)

Résumé :
Cette thèse aborde les méthodes d’estimation d’état pour les véhicules équipés de divers capteurs tels que des caméras et des centrales inertielles. Le filtre de Kalman est un outil largement utilisé pour estimer l’état d’un système dynamique, qui soulève des questions théoriques pour les systèmes non linéaires présents dans la navigation, et qui repose sur des modèles physiques et des paramètres qui doivent être optimisés efficacement par l’utilisateur. La thèse contribue au filtrage de Kalman pour la navigation, où les contributions se divisent en deux contributions majeures. La première contribution consiste à s’appuyer sur le récent filtre de Kalman étendu invariant pour résoudre les problèmes difficiles que sont l’inconsistance du filtre de Kalman étendu pour le problème de la localisation et de la cartographie simultanées, de la navigation avec des capteurs visuels (odométrie visuelle-inertielle), et la question plus générale du filtrage de Kalman sur les variétés. La deuxième contribution consiste à utiliser des outils récents du domaine de l’intelligence artificielle, à savoir l’apprentissage profond, pour améliorer les filtres de Kalman, notamment pour relier les mesures des capteurs à l’état du système, et pour régler le filtre efficacement, c’est-à-dire utiliser des techniques d’apprentissage automatique pour trouver une stratégie de réglage dynamique des paramètres du filtre de Kalman qui correspond aux données et qui est également capable de fournir de nouvelles informations au filtre. La thèse introduit ainsi différents algorithmes de filtrage et réseaux de neurones profonds dont l’implémentation est rendue open source, et qui se comparent favorablement à l’état de l’art.

Abstract :
This thesis deals with state estimation for vehicles that are equipped with various sensors such as cameras and inertial measurement units. The Kalman filter is a widely used tool that estimates the state of a dynamical system, which raises theoretical questions for the nonlinear systems present in navigation, and that relies on physical models and parameters that need to be efficient tuned by the user. This thesis contributes to Kalman filtering for navigation, where the contributions focus on two different manners. The first manner consists in building on the recent invariant extended Kalman filter to address challenging issues, namely the inconsistency of extended Kalman filter for the problem of simultaneous localization and mapping, navigation with vision sensors, and the more general question of Kalman filtering on manifolds. The second manner consists in using recent tools from the field of artificial intelligence, namely deep learning, to improve Kalman filters, notably to relate sensors’ measurements to the state, and to tune the filter efficiently, that is, using machine learning techniques to find a dynamical tuning strategy of the Kalman filter parameters that best matches the data and that is also able to provide new information to the filter. The thesis thus introduces different filtering algorithms and deep neural networks whose implementation are made open-source.

Compte tenu du contexte sanitaire de la covid-19, la règle actuellement en vigueur préconise, pour la soutenance:       

  • – Le respect d’une distance inter-personnelle (1m)       
  • – Le port du masque est recommandé       
  • – Un maximum d’environ une vingtaine de personnes (moins de 50% de la capacité de la salle)       
  • – Une participation à distance (lien plus haut) est recommandée, du point de vue sanitaire. 
2
Sep

Des étudiants du master AIMove récompensés au AI SUPER Hackaton

Les étudiants Ai Di et Long Jiao de AIMove ont participé à «  AI SUPER Hackathon » organisé par l’IDIAP en Suisse et ont gagné le 2e prix avec leur système G’Express.

Voici une vidéo de présentation du système : https://www.youtube.com/watch?v=5kSYJyQz4I8&feature=youtu.be&t=2429

AIMove Post Master’s Degree is an accredited professional program, delivered by MINES ParisTech, PSL Université Paris and supported by a European consortium of IRCAM, CERTH, Goldsmiths College University of London, IDIAP and the Aristotle University of Thessaloniki. The programme specialises in Human-centred AI (HAI) and enhances professional development and expertise in the fields of human-machine interaction and collaboration, internet of things, machine learning, pattern recognition, computer vision, VR/AR and mixed reality, and emergent related fields. This unique international program, taught entirely in English, brings together leading European professionals in this field and trains future HAI specialists in Human-Machine Collaboration.

Plus d’informations : https://aimove.eu/

1
Sep

Soutenance de thèse — Guillaume Devineau

Guillaume Devineau a l’honneur de vous inviter à sa soutenance de thèse le mercredi 2 septembre 2020 à 14h00.
La soutenance aura lieu dans l’amphithéâtre L109 (cf. note « covid » à la fin du message) et sera également retransmise en visioconférence.


La thèse, qui sera défendue en français, s’intitule « Deep Learning for Multivariate Time Series: From Vehicle Control to Gesture Recognition and Generation ».Le jury sera composé de :

  • Mme Catherine ACHARD — Maître de Conférences, HDR, Sorbonne Université (Rapporteur) 
  • M. Christian WOLF — Maître de Conférences, HDR, INSA Lyon (Rapporteur)
  • M. Alexandre GRAMFORT — Directeur de recherche, INRIA (Examinateur)
  • M. Alexander GEPPERTH — Professeur, University of Applied Sciences Fulda (Examinateur)
  • M. Jean-Philippe VANDEBORRE — Professeur, IMT Lille Douai (Examinateur)
  • M. Fabien MOUTARDE — Professeur, MINES ParisTech (Directeur de thèse)

Résumé :

    L’apprentissage profond est une branche du domaine de l’intelligence artificielle qui vise à doter les machines de la capacité d’apprendre par elles-mêmes à réaliser des tâches précises.    L’apprentissage profond a abouti à des développements spectaculaires dans le domaine de l’image et du langage naturel au cours des dernières années.    Pourtant, dans de nombreux domaines, les données d’observations ne sont ni des images ni du texte mais des séries temporelles qui représentent l’évolution de grandeurs mesurées ou calculées.    Dans cette thèse, nous étudions et proposons différentes représentations de séries temporelles à partir de modèles d’apprentissage profond.    Dans un premier temps, dans le domaine du contrôle de véhicules autonomes, nous montrons que l’analyse d’une fenêtre temporelle par un réseau de neurones permet d’obtenir de meilleurs résultats que les méthodes classiques qui n’utilisent pas de réseaux de neurones.    Dans un second temps, en reconnaissance de gestes et d’actions, nous proposons des réseaux de neurones convolutifs 1D où la dimension temporelle seule est convoluée, afin de tirer profit des invariances temporelles.    Dans un troisième temps, dans un but de génération de mouvements humains, nous proposons des réseaux de neurones génératifs convolutifs 2D où les dimensions temporelles et spatiales sont convoluées de manière jointe.    Enfin, dans un dernier temps, nous proposons un plongement (embedding) où des représentations spatiales de poses humaines sont (ré)organisées dans un espace latent en fonction de leurs relations temporelles.

Lien de la visioconférence:

    Il sera possible de suivre la soutenance de thèse par visioconférence à l’adresse suivante : https://mines-paristech.zoom.us/j/98701814529?pwd=bTU2RU5QUHlnU0U0Ym1QcG5YYjhJUT09

    Compte tenu du contexte sanitaire de la covid-19, la règle actuellement en vigueur préconise, pour la soutenance:       

  • – Le respect d’une distance inter-personnelle (1m)       
  • – Le port du masque est recommandé       
  • – Un maximum d’environ une vingtaine de personnes (moins de 50% de la capacité de la salle)       
  • – Une participation à distance (lien plus haut) est recommandée, du point de vue sanitaire.   
13
Juil

Prix du meilleur article Automatica pour les années 2017, 2018, et 2019

Axel Barrau et Silvère Bonnabel (chercheurs associés au Centre de Robotique) est co-récipendiaire du prix du meilleur article Automatica (Automatica Paper Prize) décerné à trois articles parmi l’ensemble des articles publiés dans la revue Automatica (Elsevier) au cours des trois dernières années : 2017, 2018, 2019.

Automatica est, avec IEEE Trans. on Automatic Control, la meilleure revue du domaine de l’automatique (« control » en anglais), avec un facteur d’impact de 5,5 cette année. 

Le prix concerne l’article :

J. Maidens, A. Barrau, S. Bonnabel and M. Arcak, “Symmetry reduction for dynamic programming”, Vol. 97, pp. 367-375, 2018.

C’est un article écrit en collaboration avec Murat Arcak, professeur à l’Université de Berkeley, et son étudiant alors en thèse John Maidens, aujourd’hui ingénieur IA dans une entreprise en Californie dans le domaine de l’équipement médical, ainsi qu’Axel Barrau, ingénieur chez Safran. 

Dans cet article, nous nous intéressons à un problème d’imagerie médicale IRM, et cherchons à contrôler le champ magnétique de façon optimale pour en déduire des informations physiques. Nous utilisons les symétries du monde physique (invariance par translation et rotation autour de l’axe vertical des lois de la physique) pour diminuer la complexité calculatoire de l’algorithme d’optimisation. 

Le prix sera remis lors d’une cérémonie « virtuelle », pour raisons sanitaires, vendredi 17 juillet à l’occasion du IFAC World Congress.

17
Juin

Soutenance de thèse — Arthur Gaudron

Arthur Gaudron a le plaisir de vous inviter à sa soutenance de thèse le mercredi 1 juillet à 14h00 (sous réserve d’acceptation des rapporteurs).

La soutenance aura lieu à MINES ParisTech (60 boulevard Saint-Michel, 75006) dans l’amphithéâtre L109, mais elle pourra aussi être suivie par visioconférence. Au regard de la situation sanitaire, il est difficile d’accueillir du public, ainsi nous vous prions de privilégier la visioconférence.

Pour recevoir directement le lien vers la visioconférence, nous vous invitons à ajouter votre adresse e-mail à la liste de diffusion de la Chaire Logistique Urbaine (vous pouvez vous désabonner à tout moment). De plus, vous serez informés des événements futurs de la Chaire.

La conférence sera accessible via zoom : https://mines-paristech.zoom.us/j/97653027814?pwd=Y2xmM1phbjJQSXRYZFVhVWVDVkg3Zz09

ID de réunion : 976 5302 7814

Mot de passe : 653938

La thèse, qui sera défendue en français, s’intitule « Méthodologie du modèle ouvert pour la conception d’un système d’aide la décision stratégique : le cas de la logistique urbaine ».

Le jury sera composé de :

  • — M. Jésus Gonzalez-Feliu — Professeur, Excelia Group La Rochelle Business School (Rapporteur)
  • — M. Olivier Péton — Professeur, IMT Atlantique (Rapporteur)
  • — M. Éric Ballot — Professeur, MINES ParisTech (Examinateur)
  • — Mme Laetitia Dablanc — Directrice de recherche, Université Gustave Eiffel (Examinatrice)
  • — Mme Milena Janjevic — Chargée de recherche, Massachusetts Institute of Technology (Examinatrice)
  • — Mme Hélène Wiedemann — Ingénieur, Renault (Examinatrice)
  • — M. Arnaud de La Fortelle — Professeur, MINES ParisTech (Directeur de thèse)

Résumé :
Le transport de marchandises, ou logistique urbaine, est un système complexe tant par la diversité de ses parties prenantes (ville, transporteurs, commerçants, etc.) que par l’intrication de leurs interactions. Chacun de ces acteurs a des objectifs qui lui sont propres mais dont les effets des décisions pour y parvenir se répercutent à un niveau global. Piloter cette activité représente donc un réel défi : non seulement modéliser précisément le système – passé ou présent – pose de réelles difficultés (en termes de complexité et des données nécessaires), mais cette modélisation ne permet que difficilement d’augurer des effets des décisions prises sur celui-ci. Son pilotage demande la capacité de projeter et se représenter les effets de décisions, non-encore observées, sur celui-ci. Pour que les décisions de la logistique urbaine soient pertinentes, elles doivent s’appuyer sur des modèles qui devront intégrer une vision plus fine de l’activité, au niveau microscopique, c’est-à-dire des opérations, vers un niveau macroscopique qui primait jusque-là. Pour cela, nous proposons donc de nous appuyer sur des outils de simulation mathématique qui ont pour objectif de simuler les effets macroscopiques de différentes décisions (p. ex. interdiction de certaines motorisations), en prenant en compte les interactions microscopiques de la logistique comme la prévisible modification d’une organisation logistique et l’impact sur les indicateurs associés (p. ex. le niveau de pollution d’une rue ou le coût de la livraison).

C’est pourquoi nous proposons la « méthodologie du modèle ouvert » dont l’objectif est de concevoir et valider un modèle qui pourra être utilisé par les acteurs de la logistique urbaine lors de leur prise de décision stratégique. Au cœur de cette méthodologie se tient la question de l’intégration du savoir expert dans un modèle de simulation. Une telle question agite la communauté scientifique au moins depuis la création de l’IA comme discipline : d’abord avec les systèmes experts, dont l’échec est lié à l’impossibilité de mécaniser le savoir expert ; à présent avec les avancées extrêmement prometteuses de l’apprentissage automatique, qui entre autres tentent d’apprendre par des données les raisonnements des experts, mais dont les modèles se heurtent à des problèmes de disponibilité de la donnée, de validation et d’explicabilité. Nous pensons que cette méthodologie permet de réconcilier la science des données et les sciences de gestion de manière à ce que dans des environnements complexes, la décision puisse être assistée par des simulations qui permettent de plus précisément maîtriser cette complexité. De plus, en supposant une certaine disponibilité de la donnée, et la volonté de la mise en place d’un pilotage data-driven (donc plus automatisé), ce modèle pourrait servir comme une première base de validation de modèles plus complexes d’apprentissage automatique.

14
Avr

Capturing Real Scenes for VR made easy. Release of Colibri VR !

as a part of his PhD thesis, Grégoire de Dinechin has developed a Platform for non VR experts : it allows the easy capture and exploration of real scenes for VR.

We are happy to announce that we released COLIBRI VR, our open source platform for image based rendering for Unity ! It is made to be simple :

  • 1) take pictures
  • 2) process it in Colibri VR
  • 3) experience your 3D scene* in VR.

*including complex view dependent effects such as reflexions and refractions.

Tutorials and Download : https://caor-mines-paristech.github.io/colibri-vr/
Paper : https://hal.archives-ouvertes.fr/hal-02492896/document

Use it for anything you want : capture every day scenes, objects, create training scenarios, tell stories, create an online museum … Great work from Grégoire Dupont de Dinechin within his PhD thesis ! Cheers Grégoire !

26
Mar

Mingei

Dates de réalisation : du 01/12/2018 au 30/11/2021

Type de projet: Européen, H2020

Financeur: Commission Européenne (Grant agreement No 822336)

Chercheur associé: Sotiris Manitsaris

Résumé du projet:

Mingei is a Horizon 2020 project that aims to digitize and transfer knowledge about the (in)tangible aspects of crafts. This covers the representation, preservation, and accessibility of craft as cultural heritage. Crafts include tangible artefacts, materials, and tools, as well as intangible dimensions, such as dexterity, skill, and the relationship between master and apprentice. These dimensions involve traditional and culturally identifying elements of the communities of practice, innovation, and artistic creation. At the same time, they are part of the history and economy of the areas and societies in which they flourish.

Mingei will explore the possibilities of representing and making accessible both tangible and intangible aspects of craft as cultural heritage (CH). Heritage Crafts (HCs) involve craft artefacts, materials, and tools and encompass craftsmanship as a form of Intangible Cultural Heritage. Intangible HC dimensions include dexterity, know-how, and skilled use of tools, as well as, tradition, and identity of the communities in which they are, or were, practiced. HCs are part of the history and have impact upon the economy of the areas in which they flourish. The significance and urgency to the preservation of HCs is underscored, as several are threatened with extinction.
Despite their cultural significance efforts for HC representation and preservation are scattered geographically and thematically. Mingei will provide means to establish HC representations based on digital assets, semantics, existing literature and repositories, as well as, mature digitisation and representation technologies. These representations will capture and preserve tangible and intangible dimensions of HCs.
Central to craftsmanship is skill and its transmission from master to apprentice. Mingei will capture the motion and tool usage of HC practitioners, from Living Human Treasures and archive documentaries, in order to preserve and illustrate skill and tool manipulation.
The represented knowledge will be availed through compelling experiential presentations, using storytelling and educational applications and based on AR and MR and the Internet.
Engaging cultural experiences have positive impact on interest growth and tourism, which support HC communities and institutions and foster HC sustainability and preservation.
The consortium brings together complementary expertise and content. Pilot themes exhibit richness in tangible and intangible dimensions and are directly related to European history.

This project has received funding from the European Union’s Horizon 2020 research and innovation programme under grant agreement no. 822336.

Want to learn more about Mingei? Visit our website http://www.mingei-project.eu/ and follow us on Facebook, Instagram, Twitter and LinkedIn.
Subscribe to the monthly Mingei newsletter to stay up to date.

6
Mar

Marion Pilté reçoit le Thales PhD Award

Marion Pilté, doctorante Cifre du centre de robotique entre 2015 et 2018, en partenariat avec l’entreprise Thales, et encadrée par Silvère Bonnabel, a reçu le Thales PhD Award 2019 des mains de Bernhard Quendt, directeur technique de Thales. Ce prix récompense deux lauréats sur environ 70 thèses Cifre soutenues au sein de l’entreprise.

12
Fév

Seminar on Large-scale simulations for automated mobility

The Chair Drive for All is pleased to invite you to a seminar on “Large-scale simulations for automated mobility in Zurich and Paris”. We have the honor to receive Sebastian Hörl from the Institute for Transport Planning and Systems within the Swiss Federal Institute of Technology in Zurich (ETHZ).

It will take place:

  • on Wednesday 26 February 2020 14:00 – 15:00
  • in the Board room (salle Vendôme) of MINES ParisTech
  • 60, Boulevard Saint-Michel 75006 Paris
  • Luxembourg station on RER line B

This seminar is public and free of charge but registration is mandatory.

Abstract

In recent years Autonomous Mobility on Demand (AMoD) has become an active research field in transport planning. So far, several simulation studies have been presented that estimate which automated taxi fleet size would be able to serve the mobility demand in various cities around the world. One major part in these simulations has been missing so far: the customer behaviour. The talk will cover how this problem has been tackled at the Institute for Transport Planning and Systems at ETH Zurich over the past two years. After a short introduction of the MATSim simulation platform an overview of current results regarding costs, surveys and simulation around AMoD will be given. For the case of Paris a novel simulation scenario will be introduced, including first preliminary results of fleet sizing under the presence of customer behaviour.

All the information is also available in the document below.

Short bio: With a background of systems theory and systems engineering, Sebastian Hörl received his MSc degree in Complex Adaptive Systems from Chalmers University, Sweden, in 2016. After a stay at the Future Cities Laboratory in Singapore, he started his PhD degree at ETH Zürich on the topic of large-scale agent-based transport simulation. His research focuses on the synthesis of artificial populations and the impact of highly automated vehicle fleets on travel behaviour and system performance.

22
Nov

Soutenance de thèse — Michel Valente

Michel Valente a plaisir de vous inviter à sa soutenance de thèse le mercredi 18 décembre 2019 à 16h00.

La soutenance aura lieu dans le nouvel amphithéâtre L118 à Mines ParisTech, 60 bd Saint Michel 75006.

Elle sera défendue en anglais et s’intitule: « SLAM and Data Fusion for Autonomous Vehicles. From classical approaches to deep learning methods. »

Le jury sera composé comme suit:

  • – M. Ching-Yao Chan – UC Berkeley (Rapporteur)
  • – M. Vincent Fremont – École Centrale de Nantes (Rapporteur)
  • – M. David Filliat – ENSTA (Examinateur)
  • – Mme. Emilie Wirbel – Valeo (Examinatrice)
  • – M. Arnaud de La Fortelle – Mines ParisTech (Examinateur)
  • – M. Cyril Joly – Mines ParisTech (Examinateur)

Abstract:
Self-driving cars have the potential to provoke a mobility transformation that will impact our everyday lives. In order to reach this goal, the vehicles need to perform autonomously three main tasks: perception, planning and control. When it comes to urban environments, perception becomes a challenging task that needs to be reliable for the safety of the driver and the others. It is extremely important to have a good understanding of the environment and its obstacles, along with a precise localization, so that the other tasks are well performed. 
This thesis explores from classical approaches to Deep Learning techniques to perform mapping and localization for autonomous vehicles equipped with low cost sensors in urban environments. In the first part, we propose solutions to sensor fusion and localization using the Dempster-Shafer theory approach based on occupancy grid maps. Sequentially, we explore how the recent advances in Deep Learning techniques can be applied to the localization problem. We propose novel solutions that use directly the input from the sensors in neural networks to estimate the localization of the vehicle during its trajectory. Our solutions are tested and validated on different challenging urban scenarios showing the robustness and accuracy of the proposed approaches. 

Résumé:
L’arrivée des voitures autonomes va provoquer une transformation très importante de la mobilité urbaine telle que nous la connaissons, avec un impact significatif sur notre vie quotidienne. Pour atteindre cet objectif, les véhicules autonomes doivent effectuer en toute sécurité et de manière autonome trois tâches principales: la perception, la planification et le contrôle. La perception est une tâche particulièrement difficile en milieu urbain, car elle se doit d’être suffisamment précise pour assurer à la fois la sécurité du conducteur et celle des autres. Il est décisif d’avoir une bonne compréhension de l’environnement et de ses obstacles, ainsi qu’une localisation précise, afin que les autres tâches puissent être performantes.
L’objectif de cette thèse est d’explorer différentes techniques pour la cartographie et la localisation des voitures autonomes en milieu urbain, en partant des approches classiques jusqu’aux algorithmes d’apprentissage profond. Dans la première partie, nous proposons des solutions pour la fusion de capteurs et la localisation du véhicule en utilisant l’approche théorique de Dempster-Shafer basée sur des cartes de grille d’occupation. Ensuite, nous explorons comment les récents progrès des techniques d’apprentissage en profondeur peuvent s’appliquer au problème de localisation. Nous proposons de nouvelles solutions qui utilisent directement les entrées des capteurs dans les réseaux de neurones pour estimer la localisation du véhicule au cours de sa trajectoire. Nos solutions sont testées et validées sur différents scénarios urbains complexes montrant la robustesse et la précision des approches proposées.